当前位置:网站首页>MLX90640 红外热成像仪测温模块开发笔记(五)
MLX90640 红外热成像仪测温模块开发笔记(五)
2022-07-25 09:23:00 【河北稳控科技】
MLX90640 红外热成像仪测温模块开发笔记(五)阵列插值-由 32*24 像素到 512*384 像素
MLX90640 的 32*24=768 像素虽然比以往的 8*8 或者 16*8 像素提高了很多,但若直接用这些像素还是不能很好的形成热像图,为了使用这些像素点平滑成像就需要对其进行插值,使用更多的像素来绘制图像。

看了一些别人的算法,感觉主要就是多项式插值,仅是插值方法的组合方式不同。
算法依据
比较有代表性的是杭州电子科技大学杨风健等《基于 MLX90620 的低成本红外热成像系统设计》,使用三次多项式+双线性插值,将原 16*4 像素扩展为 256*64 像素。双线性插值的本质就是一次函数(一次多项式)。该文章得到的结论是:
(1) 双线性插值法计算量小、速度快,但对比度低、细节模糊。
(2) 三次多项式插值,图像效果较清晰,对比度较高,但计算量较大。
(3) 先双线性插值再三次多项式插值,效果优于上两种单一插值方法。
(4) 先三次多项式插值再双线性插值,高低温分布更加明显,图像效果更接趋于真实。同时,该文章还使用了一种对图像质量的评估方法---熵&平均梯度
熵,热力学中表征物质状态的参量之一,用符号 S 表示,其物理意义是体系混乱程度的度量。用于图像评价表示图像表达信息量的多少。图像熵越高信息量越大。
平均梯度,指图像的边界或影线两侧附近灰度有明显差异,即灰度变化率大,这种变化率的大小可用来表示图像清晰度。它反映了图像微小细节反差变化的速率,即图像多维方向上密度变化的速率,表征图像的相对清晰程度。值越大表示图像越清晰。
插值实现
每行或者列的首个像素在前面插值 2 个点
1~n-1 像素,每个像素后面插值 3 个点最后一个像素,在后面插值 1 个点
n+2+(n-1)*3+1=n+2+n*3-1*3+1=4n+2-3+1=4n,即:像素变为原来的 4 倍
上面的处理方法,首个像素之前插入 2 个点,最后一个像素之后插入 1 个点,下次插值
时,应首个之前插值 1 个点,末个像素之后插值 2 个点,以达到图像平衡。
每次插值后像素为插值前的 4 倍,经过两次插值,即可将 32*24 改变为 512*384 像素。下面是已经实际使用的插值算法,不过是用 Pascal(Delphi)写的,有兴趣的可以改为
C 语言的,语句对应直接改就行,语言本来就是相通的嘛。

//这是一维数组插值算法
//SourceDatas:TDoubles;插值前的一维数组
//Dir:Integer;在哪个方向和末尾插入 2 个值(0:前面;1:末尾)
//times:Integer 多项式的项数,一次多项式是 2 项,二次多项式是 3 项
//返回值:插值后的一维数组(数量是插值前*4) function PolynomialInterpolationArr(
SourceDatas:TDoubles; Dir:Integer;
times:Integer):TDoubles;//一维数组插值
var
i,j,k:Integer;
arrCount:Integer;
边栏推荐
- ARMv8通用定时器简介
- [code source] add brackets to the daily question
- CDA LEVELⅠ2021新版模拟题二(附答案)
- Evolution based on packnet -- review of depth estimation articles of Toyota Research Institute (TRI) (Part 2)
- MinkowskiEngine 安装
- 十进制整数转换为其它进制的数
- CCF 201503-3 节日
- First knowledge of opencv4.x --- drawing shapes on images
- 服务器cuda toolkit多版本切换
- Get to know opencv4.x for the first time --- add salt and pepper noise to the image
猜你喜欢

Segmentation-based deep-learning approach for surface-defectdetection(基于分割的表面缺陷深度学习检测方法)

初识Opencv4.X----均值滤波

CDA LEVELⅠ2021新版模拟题一(附答案)

关于MLOps中的数据工程,你一定要知道的.......

CDA LEVELⅠ2021新版模拟题二(附答案)

Kotlin basic knowledge points

MinkowskiEngine 安装

从Anaconda到TensorFlow到Jupyter一路踩坑一路填平

AMD EPYC 9664旗舰规格曝光:96核192线程 480MB缓存 3.8GHz频率

初识Opencv4.X----图像模板匹配
随机推荐
1094--谷歌的招聘
Mixed supervision for surface-defect detection: from weakly to fully supervised learning:表面缺陷检测的混合监督
A number converted from a decimal integer to another base
CUDA 解释 - 深度学习为何使用 GPU
[data mining] nearest neighbor and Bayesian classifier
CDA LEVELⅠ2021新版模拟题二(附答案)
TensorFlow raw_rnn - 实现seq2seq模式中将上一时刻的输出作为下一时刻的输入
Raspberry sect door ban system based on face recognition
@3-1 CCF 2020-09-1 scale detection point query
初识Opencv4.X----图像直方图均衡
Save pdf2image PDF file as JPG nodejs implementation
Creation of adjacency matrix of undirected connected graph output breadth depth traversal
降低程序空间复杂度的一些技巧
无向连通图邻接表的创建输出广度深度遍历
AI模型风险评估 第1部分:动机
【数据挖掘】第四章 分类任务(决策树)
Minkowskiengine installation
CCF 201503-4 网络延时
单目深度估计模型Featdepth实战中的问题和拓展
【RNN】剖析RNN 之 从RNN-(Simple|LSTM) 到 序列生成 再到 seq2seq框架(encoder-decoder,或称为seq2seq)